城市道路監(jiān)控是監(jiān)視道路交通安全、整頓城市治安與防范各種犯罪以及恐怖暴力活動(dòng)的有效手段。以往的道路監(jiān)控?cái)z像頭種類繁多,視頻數(shù)據(jù)整合工作均由人工完成,需要配套大量專業(yè)技術(shù)人員。而今,隨著機(jī)器視覺技術(shù)的發(fā)展、監(jiān)控智能化的推進(jìn),在多項(xiàng)圖像感知問題上,算法的性能已超越了人類的,并進(jìn)入到了大規(guī)模工程應(yīng)用的階段,但綜合應(yīng)用尚在起步階段。因此,本文旨在整合最新視覺技術(shù)研究成果,構(gòu)建一套基于R-CNN（Regions with Convolutional Neural Network）的、可依賴不同制式監(jiān)控?cái)z像頭的視頻輸入、能夠?qū)崿F(xiàn)人車同時(shí)檢測(cè)并分別識(shí)別的方法。本文對(duì)現(xiàn)有智能監(jiān)控、行人重識(shí)別、車輛號(hào)牌檢測(cè)等技術(shù)領(lǐng)域進(jìn)行了調(diào)研,構(gòu)建了整體方案,將整個(gè)算法流程分為了三部分:目標(biāo)檢測(cè)算法,負(fù)責(zé)從監(jiān)控視頻中對(duì)行人車輛進(jìn)行實(shí)時(shí)檢測(cè)并提取出圖像信息;行人重識(shí)別算法,對(duì)行人圖像與數(shù)據(jù)庫(kù)存圖像比較進(jìn)行重識(shí)別;車輛號(hào)牌識(shí)別算法,對(duì)檢出的車輛圖像,進(jìn)行號(hào)牌識(shí)別。而后,對(duì)于三種算法本文進(jìn)行了深入研究:目標(biāo)檢測(cè)算法,對(duì)比了Mask-RCNN與Light-Head RCNN算法并結(jié)合其他最新成果,對(duì)卷積核、網(wǎng)絡(luò)結(jié)構(gòu)等進(jìn)行了改進(jìn),... 

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 行人車輛視頻監(jiān)控的國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 智能監(jiān)控技術(shù)發(fā)展現(xiàn)狀
        1.2.2 行人重識(shí)別研究現(xiàn)狀
        1.2.3 車輛號(hào)牌識(shí)別研究現(xiàn)狀
        1.2.4 國(guó)內(nèi)外文獻(xiàn)綜述的簡(jiǎn)析
    1.3 課題主要研究?jī)?nèi)容
    1.4 本文章節(jié)安排
第2章 基于RCNN的道路行人車輛檢測(cè)算法研究
    2.1 引言
    2.2 目標(biāo)檢測(cè)算法評(píng)價(jià)指標(biāo)
    2.3 Mask-RCNN模型的復(fù)現(xiàn)與性能測(cè)試
        2.3.1 區(qū)域選取子網(wǎng)絡(luò)
        2.3.2 錨點(diǎn)機(jī)制
        2.3.3 掩碼生成支路
        2.3.4 Mask-RCNN模型的訓(xùn)練
    2.4 Light-Head RCNN模型的復(fù)現(xiàn)與改進(jìn)
        2.4.1 Light-Head RCNN模型
        2.4.2 對(duì)Light-Head RCNN模型的優(yōu)化
    2.5 本章小結(jié)
第3章 基于度量學(xué)習(xí)的行人重識(shí)別算法研究
    3.1 引言
    3.2 行人重識(shí)別算法評(píng)價(jià)指標(biāo)
    3.3 動(dòng)態(tài)自編碼方案研究
        3.3.1 度量學(xué)習(xí)
        3.3.2 損失函數(shù)的設(shè)計(jì)
        3.3.3 動(dòng)態(tài)自編碼方案
        3.3.4 動(dòng)態(tài)自編碼方案的測(cè)試結(jié)果
    3.4 通用編碼方案
        3.4.1 人體解析部分研究與優(yōu)化
        3.4.2 將人體解析結(jié)果用于重識(shí)別
        3.4.3 通用編碼方案測(cè)試結(jié)果
    3.5 本章小結(jié)
第4章 基于字符檢測(cè)的車輛號(hào)牌識(shí)別算法研究
    4.1 引言
    4.2 基于弱監(jiān)督的不規(guī)則字符檢測(cè)方法研究
        4.2.1 弱監(jiān)督方案整體流程
        4.2.2 序列到序列(sequence to sequence)模型
        4.2.3 二維注意力機(jī)制
        4.2.4 硬注意力機(jī)制
    4.3 訓(xùn)練數(shù)據(jù)的擴(kuò)充
    4.4 訓(xùn)練及結(jié)果比較
    4.5 利用先驗(yàn)信息進(jìn)一步工程優(yōu)化
    4.6 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]AI+安防的落地應(yīng)用現(xiàn)狀與發(fā)展趨勢(shì)[J]. 吳迪.  中國(guó)公共安全. 2018(12)



本文編號(hào)：3706102